Introducción a las series temporales y la estacionariedad

Modelos ARIMA en Python

James Fulton

Climate informatics researcher

Motivación

Las series temporales están en todas partes

  • Ciencia
  • Tecnología
  • Negocios
  • Finanzas
  • Políticas públicas
Modelos ARIMA en Python

Contenido del curso

Aprenderás a

  • Estructura de los modelos ARIMA
  • Ajustar un modelo ARIMA
  • Optimizar el modelo
  • Hacer predicciones
  • Calcular la incertidumbre en las predicciones
Modelos ARIMA en Python

Cargar y graficar

import pandas as pd
import matplotlib as plt

df = pd.read_csv('time_series.csv', index_col='date', parse_dates=True)

date            values
2019-03-11    5.734193    
2019-03-12    6.288708    
2019-03-13    5.205788    
2019-03-14    3.176578
Modelos ARIMA en Python

Tendencia

fig, ax = plt.subplots()
df.plot(ax=ax)
plt.show()

Modelos ARIMA en Python

Estacionalidad

Modelos ARIMA en Python

Ciclicidad

Modelos ARIMA en Python

Ruido blanco

Una serie de ruido blanco tiene valores no correlacionados

  • Cara, cara, cara, cruz, cara, cruz, ...
  • 0.1, -0.3, 0.8, 0.4, -0.5, 0.9, ...
Modelos ARIMA en Python

Estacionariedad

Estacionaria

  • Tendencia estacionaria: la tendencia es cero

No estacionaria

Modelos ARIMA en Python

Estacionariedad

Estacionaria

  • Tendencia estacionaria: la tendencia es cero
  • La varianza es constante

No estacionaria

Modelos ARIMA en Python

Estacionariedad

Estacionaria

  • Tendencia estacionaria: la tendencia es cero
  • La varianza es constante
  • La autocorrelación es constante

No estacionaria

Modelos ARIMA en Python

División entrenamiento-prueba

# Datos de entrenamiento: hasta finales de 2018
df_train = df.loc[:'2018']

# Datos de prueba: desde 2019 en adelante
df_test = df.loc['2019':]
Modelos ARIMA en Python

¡Vamos a practicar!

Modelos ARIMA en Python

Preparing Video For Download...